MIMO技术已成为无线通信的核心,能够显著提高系统容量而不额外消耗频谱资源。在此基础上,为了获取更大的系统增益,Massive MIMO在2010年被提出,现已成为5G的核心技术之一。但大规模MIMO的优势建立在准确的信道状态信息上,随着天线规模急剧增大,巨大的导频开销也成为一个难题。压缩感知,在低于两倍带宽的采样条件下以更少的数据重建信号,被广泛应用于各个领域。为了减少导频的使用数量,压缩感知技术被引入到信道估计之中。本文基于压缩感知技术,针对大规模MIMO FDD信道估计研究如下:首先详细描述了压缩感知基本原理,包括如何进行稀疏变换,如何评价测量矩阵,以及重构算法原理,并对部分重构算法做了仿真分析。接着,本文介绍了稀疏时域信道冲激响应模型。传统算法没有利用信道的稀疏特性,而压缩感知算法可以利用稀疏性减少导频开销。同时,由于天线阵列排布紧密,基于空间相关性,本文在迭代硬阈值算法基础上提出了改进的块迭代阈值算法。不同于传统的迭代阈值算法,所提算法基于块进行迭代更新,相同条件下信道估计结果更准确。最后,本文介绍了角度域信道模型,利用角度域信道矩阵的稀疏性,应用压缩感知技术。同时,基于慢衰落条件下用户信道在时间上的相关性,本文改进了迭代阈值算法和稀疏自适应匹配追踪算法,利用先验支撑集缩小原子挑选范围,减小误差。仿真结果表明,相同条件下,与相应原始算法相比,两种改进算法能够自适应利用先验支撑集提升信道估计精确度,从而减少导频开销。